📚 Вчера забавлялся с новым режимом Study and Learn в ChatGPT. Планирует, структурирует уроки, объясняет небольшими чанками и в каждой итерации делает «мини-тест». Прикольно, что можно с ним зацепиться и закопаться в конкретную тему, да и обсудить сами задания из мини-тестов.

Омрачает, что как всегда выкатывается все не ровно. Не пойму, везде в чатах все пишут что в веб-версии доступно, а у меня доступно в выпадающем меню в мобильной версии. Но после запроса в чат уже не написать – все зависает. Зато в веб версии в выпадающем меню не выбрать, но переписку вести, хотя бы, можно. И на том спасибо.

В общем, думаю очень крутая фича и точно найдет своих пользователей. Как минимум я буду в их числе.

Мы с Женей сняли подробное видео про семейство моделей ChatGPT, сегодня оно выходит на нашем YouTube. В нём мы затронули тему различий между o3 и o3-pro. Оказывается, если чуть вдуматься в эти различия, можно «выжать» из обычной o3 почти тот же результат, что и у pro-версии. Собственно, Женя обещал поделится этим инсайтом со всеми.

Смотрите, у o3-pro сервер выделяет в несколько раз больше скрытых «размышляющих» токенов на цепочку рассуждений. Поэтому pro чаще даёт точные ответы и реже галлюцинирует. Базовая o3 думает короче и иногда срезает углы.

Для начала можно просто добавить дополнительный шаг в конец вашего промпта:

Перед финальным ответом:
1) создай скрытый черновик рассуждений;
2) сделай самокритику и исправь ошибки;
Черновики не показывай — выдай только очищенный результат.

Это не увеличит лимиты по токенам, но изменит логику рассуждений в сторону про модельки. Если у вас запрос, так сказать, средней сложности, этого хватит.

Но если вы хотите еще приблизить качество к о3-pro, то разбейте запрос на два шага. Сначала попросите модель сделать черновик ответа. Затем отправьте этот черновик вторым сообщением со словами «проверь и уточни». Каждый новый вызов получает свежий бюджет токенов, и суммарно модель тратит на задачу почти столько же вычислений, сколько o3-pro.

Проверьте на практике — разница заметна.

P.S.: А еще, примерно через час мы начинаем вебинар по личной эффективности и проектному управлению с помощью AI - смотрите @vibeskills_bot. Еще есть возможность запрыгнуть в последний вагон 🙂

Вышел GPT-5 от OpenAI

Астрологи объявляют минимум 2 недели постинга во всех каналах всяких разных стандартных и не стандартных запросов к нему и попытками понять, а что же теперь на самом деле лучше. Пока обычное для индустрии — кажется все лучше :)

Что же нового?
GPT-5 «думает дольше», когда задача сложная: встроенный роутер сам переключает модель в режим глубокого reasoning. Улучшились код-генерация (полноценные фронтенды за один промпт), сторителлинг и ответы по здоровью. В самом ChatGPT появились готовые «персональности», смена цвета чатов, Study mode, а также коннекторы к Gmail и Google Calendar.

Окно контекста теперь до 256 000 токенов (128 K на вывод) во всех версиях GPT-5, включая ChatGPT. В API доступны три размера: gpt-5, gpt-5-mini и gpt-5-nano; mini и nano сохраняют те же 256 K, но стоят дешевле.

Кому и как доступно
- Free — GPT-5 без оплаты, но после нескольких запросов роутер переключит вас на «mini».
- Plus / Pro / Team — безлимитные сообщения на GPT-5.
- Team уже сегодня; Enterprise и Edu получат модель 14 августа.
- API — цены от $1,25 in / $10 out за 1 М токенов (флагман), mini — $0,25 / $2, nano — $0,05 / $0,40.

Релиз раскатывается прямо сегодня, у меня пока еще не доступна, но, думаю, как обычно к утру появится у всех или почти у всех.

За рулём во время 800-километрового автопутешествия меня осенила простая мысль: почему Google Maps до сих пор не умеют нормально обрабатывать человеческие запросы?

Представьте просьбу: "найди ресторан по пути максимум в часе езды с итальянской кухней". Казалось бы, элементарная задача. Но в реальности приходится вручную листать карту, гуглить отзывы и просить штурмана координировать поиск. А ведь любой средненький ИИ-агент разрулил бы это за секунды.

Оказывается, индустрия уже движется в эту сторону. Mercedes-Benz интегрировал Google AI в свой MBUX Virtual Assistant — теперь система даёт персонализированные ответы и работает уже в 3+ миллионах авто. BMW, Tesla и другие крупные игроки тестируют генеративные ИИ-помощники на базе GPT-4 и Gemini.

Но пока это больше про "умные разговоры" с машиной, чем про реальные задачи водителя. LLM умеют болтать, но не решают мою проблему с поиском ресторанов или заправок с лучшими ценами по маршруту.

По прогнозам McKinsey, к 2025 году на дорогах США будет 3,5 млн автономных авто, к 2030 уже 4,5 млн. Значит, ИИ-агенты в машинах из приятной фичи превратятся в норму. И тогда навигация станет по-настоящему умной: не просто "поверни направо", а "учитывая твои предпочтения и время, лучший вариант ужина – вот этот ресторан, добавить ближайшую к нему зарядку в промежуточную остановку и забронировать столик?"

А как думаете вы — что первым должны научиться делать ИИ-помощники в автомобилях, чтобы реально упростить жизнь водителю?

Я долго скептически смотрел на заявления о том, что нейросети могут делать настоящие научные открытия. Ну как статистические модели, пусть очень мощные, способны на творчество? Наука же требует интуиции, неожиданных связей, прорывного мышления.

Но факты упрямо говорят об обратном. AlphaFold от DeepMind не просто систематизирует белковые структуры. Cистема предсказала строение миллионов белков, за что её создатели получили Нобелевку в 2024 году. Это уже не поиск по заданному алгоритму, это генерация новых знаний о фундаментальных биологических процессах.

Ещё более показательный пример — FunSearch, которая "думает в коде". Система генерирует программы для решения математических задач и сама их проверяет через итеративный поиск в пространстве функций. Так FunSearch нашла новые решения классических проблем комбинаторики, которые десятилетиями не поддавались человеческому уму.

В биологии российские учёные из МГУ создали нейросеть, предсказывающую аффинность белок-белковых взаимодействий, основу для разработки противоопухолевых препаратов. А системы вроде AlphaGeometry решают олимпиадные задачи по геометрии на уровне золотых медалистов IMO.

Мы наблюдаем эволюцию от инструмента к соавтору. Нейросети больше не просто ускоряют расчёты, они находят паттерны там, где человек их не видел, и предлагают решения, до которых мы бы не додумались.

Как думаете, где граница между "умным поиском" и настоящим научным творчеством?